Predicting county-level diagnosed diabetes prevalence in the United States using explainable gradient boosting and geographic interpretation

기술 요약: 설명 가능한 그래디언트 부스팅 및 지리적 해석을 이용한 미국 내 카운티 단위 진단 당뇨병 유병률 예측

문제 정의
진단된 당뇨병은 약 3,840만 명의 미국인에게 영향을 미치고 있으며, 그 부담은 미국 내 카운티 전역에 걸쳐 지리적으로 불균등하게 나타난다. 기존의 머신러닝 연구들은 생체 지표 및 임상 변수를 사용하여 개인 수준의 당뇨병 위험을 성공적으로 예측해 왔으나, 왜 유병률이 카운티 수준에서 지리적으로 차이가 나는지를 설명하는 데는 적합하지 않다. 또한, 전통적인 공간 회귀 모델은 비선형 관계를 포착하는 동시에 국지적으로 해석 가능한 출력을 생성하는 데 어려움을 겪는 경우가 많다. 따라서 공공 카운티 수준 데이터를 활용하여 당뇨병 유병률을 예측하고, 이러한 격차를 유발하는 구조적 및 맥락적 조건에 대해 설명 가능하고 지리적으로 특화된 통찰을 제공할 수 있는 프레임워크가 필요하다.

연구 방법론
본 연구는 2,957개 미국 카운티를 분석하는 생태학적 단면 설계를 채택하였다. 분석 단위는 주(state) 내에 존재하는 식량 접근성, 사회경제적 불이익, 지역적 건강 행동의 변동성을 포착하기 위해 카운티로 설정되었다.

• 데이터 소스: 본 분석은 연방 정보 처리 표준(FIPS) 코드를 통해 연결된 5개의 공공 데이터 소스를 통합하였다.
  • 결과 변수: 2023년 연령 조정 진단 당뇨병 유병률 (BRFSS를 기반으로 한 CDC PLACES)
  • 예측 변수: 식량 접근성 및 환경 (USDA Food Access Research Atlas, USDA Food Environment Atlas), 사회경제적 및 인구통계학적 지표 (U.S. Census ACS 5-year estimates), 그리고 농촌성 (USDA Rural-Urban Continuum Codes).
  • 공변량: 건강 행동 및 임상 상태 (비만, 신체 활동 부족, 고혈압, 흡연) 또한 CDC PLACES로부터 포함되었다.
• 특성 공학(Feature Engineering): 인구 가중 공식을 사용하여 트랙(tract) 수준의 데이터를 카운티 수준으로 집계함으로써 식품 사막 지수(Food Desert Index, FDI)를 산출하였다. 또한, 패스트푸드 밀도, 식료품점 밀도, SNAP 참여도를 결요한 주성분 분석(PCA)을 통해 식품 환경 복합 지수(Food Environment Composite Index, FECI)를 구축하였다. 결측치는 반복적 다변량 대치법(iterative multivariate imputation)을 통해 처리되었다.
• 모델링 접근 방식: Elastic Net, Random Forest, XGBoost, LightGBM의 네 가지 회귀 모델을 학습시키고 비교하였다.
  • 선택: 교차 검증 그리드 탐색(cross-validated grid search)을 통해 모델을 튜닝하였다. 주요 모델은 오직 검증 세트(데이터의 15%)에서의 평균 제곱근 오차(RMSE)만을 기준으로 선정되었다.
  • 검증: 최종 평가를 위해 홀드아웃 테스트 세트(15%)를 사용하였다. 지리적 일반화 가능성을 평가하기 위해 지역별 홀드아웃 검증(region-held-out validation)도 수행되었다.
  • 해석 가능성: 선택된 모델은 SHAP(SHapley Additive exPlanations)의 TreeExplainer 알고리즘을 사용하여 해석되었다. SHAP 값은 전역적 특성 중요도를 순위화하고 각 카운티의 "지배적인 양(+)의 구조적 기여 요인"을 식별하는 데 사용되었다.
• 민감도 및 진단: 9가지 민감도 분석을 통해 대안적 예측 변수 세트(예: 건강 행동 제외, FECI 제거, 공선성 감소)에 대한 강건성을 테스트하였다. 공간 자기상관성은 관측된 결과와 모델 잔차 모두에 대해 Global Moran's I를 사용하여 평가되었다.

주요 결과

• 모델 성능: LightGBM이 가장 낮은 검증 세트 RMSE(0.442)를 기록하여 주요 모델로 선정되었다. 홀드아웃 테스트 세트에서 LightGBM은 RMSE 0.423 퍼센티지 포인트, $R^2$ 0.964, MAPE 2.76%를 달성하였다. XGBoost는 테스트 세트에서 약간 더 나은 성능($R^2$ = 0.968, RMSE = 0.399)을 보였으나, 이차적인 벤치마크로만 유지되었다.
• 특성 중요도: 전역 SHAP 분석 결과, 신체 활동 부족이 전체적으로 가장 영향력 있는 예측 변수로 식별되었다. 구조적 및 맥락적 예측 변수 중에서는 빈곤율, 식량 불안정률, SNAP 참여율, 실업률, 중위 가구 소득이 가장 중요한 기여 요인이었다. 식품 사막 지수와 소매 밀도 지표는 광범위한 사회경제적 요인을 고려했을 때 전역적 중요도가 낮게 나타났다.
• 지리적 해석:
  • 지배적 기여 요인: 전국적으로 빈곤율이 가장 빈번한 지배적 양(+)의 구조적 기여 요인이었으며(26.1%), 식량 불안정이 그 뒤를 이었다(23.9%).
  • 지역적 변이: 패턴은 인구 조사 지역(Census region)별로 상이했다. 빈곤과 식량 불안정은 남부와 중서부에서 지배적이었고, 실업률은 북동부에서 가장 흔했으며, SNAP 참여는 서부에서 두드러졌다.
  • 공간 자기상관: 관측된 결과는 강한 공간적 클러스터링을 보였다 (Global Moran's $I$ = 0.665). 모델 적합 후, 잔차의 공간 자기상관은 $I$ = 0.069로 크게 감소하였으나, 여전히 통계적으로 유의미하여 설명되지 않은 지리적 구조적 변동이 존재함을 나타냈다.
• 강건성: 구조적 및 맥락적 예측 변수만을 사용한(건강 행동 공변량 제외) 민감도 모델은 상당한 예측력을 유지하였으며($R^2$ = 0.827), 이는 이러한 요인들이 상당한 독립적 예측 정보를 포함하고 있음을 시사한다. 지역별 홀드아웃 검증 결과, 특히 북동부에서 낮은 전이성($R^2$ = 0.336)을 보여, 무작위 분할 정확도가 지리적 일반성을 보장하지 않음을 강조하였다.

의의 및 주장
본 논문은 설명 가능한 머신러닝이 공공 카운티 수준 데이터를 적용했을 때, 진단 당뇨병 유병률의 지리적 변이를 효과적으로 특징지을 수 있음을 입증한다고 주장한다. 주요 의의는 SHAP를 사용하여 복잡한 모델 예측을 지리적으로 특화된 설명으로 변환할 수 있는 능력에 있다.

저자들은 이러한 SHAP 기반 지도와 지배적 기여 요인 분석이 국지적 가설 생성 및 추가 조사가 필요한 카운티와 구조적 조건을 식별하기 위한 도구 역할을 한다고 강조한다. 그러나 본 논문은 이러한 출력값이 예측 패턴과 모델 설명을 기술할 뿐, 인과적 효과를 설명하는 것이 아님을 명시적으로 밝히고 있다. 저자들은 SHAP 값을 인과적 결정 요인이나 직접적인 개입 대상 권고로 해석하는 것에 대해 경고한다. 대신, 이 프레임즈크는 지역 감시 데이터, 이해관계자의 지식, 그리고 인과적 연구와 결합될 때 지리적으로 정보에 입각한 당뇨병 예방 계획을 지원할 수 있는 재현 가능한 접근 방식으로 제시된다.